Kunnskapsarbeid kan være krevende av flere grunner. Vi må se hvilke komponenter som den kunstige intelligens faktisk automatiserer og hvilke som er motstandsdyktige. Dette treffer heller ikke alle sektorer likt. Framfor å be (eller ikke be) KI «gjøre jobben», er det bedre å spørre: Hvilke dimensjoner snakker vi om? Det har betydning for individuelt og institusjonelt engasjement i det praksisorienterte vitenskapelige utviklingsarbeidet.
Hver av de 6 dimensjonene nedenfor gjelder bestemte utfordringer med hver sin teknologiske utviklingsbane. De kan også gi nye muligheter for strid om akademisk revir.
- Et perspektiv er skillet melllom KI-generert gjentakelse, – tekstlig immanens – , og faktisk overskridelse, – transcendens.
- Et annet er systemnivåene. Der iles det langsomt. En parabel er overgangen fra dampmaskin til elektromotor: Å erstatte kullkraft med elektro ga i seg selv liten gevinst. Det var først da fabrikkene ble bygd om og organisert på nye måter at de nye elektro-verktøyene kom til sin rett.
A. Kognitiv kompleksitet
- Symbolmanipulasjon
- Mønstergjenkjenning
- Sammenfatning
- Utarbeide og omformatere tekst
- Logisk konsistenskontroll
Dette er området for strukturert resonnering over tekst, tall og kode. Store språkmodeller og beslektede systemer er allerede sterke på å etterligne dette.
Status: Rask automatisering (2023–2026).
Utvikling: Nær metning for rutinemessig intellektuell bearbeiding.
B. Søk og syntese i store informasjonsrom
- Litteraturgjennomgang
- Komparativ analyse
- Tverrfaglig sammenfatning
- Datainnsamling og aggregering
Denne aksen er krevende fordi menneskelig oppmerksomhet og hukommelse er begrenset. KI kan operere på tvers av datamengder langt utover individuelle kognitive grenser i et automatisert meta-bibliotek.
Status: Sterk og i rask forbedring (RAG, verktøybruk, agentiske systemer).
Tidslinje: Betydelig automatisering i løpet av dette tiåret.
C. Planlegge i flere trinn
- Koordinere deloppgaver
- Verktøy (API-er, nettlesere, kommandolinje)
- Opprettholde tilstand og gi retning over tid
- Identifisere og korrigere feil underveis
Her ligger vanskeligheten i pålitelig sekvensiell gjennomføring. Det handler om utholdenhet, iterasjon og selvkorrigerende rutiner. En ting er individuell stamina, men her snakker vi heller om robust organisering og institusjonalisering. Den administrative logikk har et betydelig forsprang. Men KI-orientert administrasjon peker mot høyere utdanning som markedsorientert betalingstjeneste med prekære vilkår for fagsiden.
Status: I fremvekst (agentiske systemer).
Tidslinje: Betydelige fremskritt 2025–2030, men dette er ennå ikke robust.
D. Forankring i den fysiske verden
- Fysisk manipulering
- Sensorimotorisk tilbakemelding
- Situasjonsforståelse
- Improvisasjon og kvalifisert vurdering under usikkerhet
Denne typen vanskelighet springer ut av samspill med materielle omgivelser, med anvendt teori og praksis. Den krever sanntidsinteraksjon under uforutsigbare forhold. Men utfirdringene her er som med været: Alle snakker om det…
Status: Begrenset utenfor robotikk.
Tidslinje: Langsommere automatisering; avhengig av maskinvareutvikling.
E. Sosial og institusjonell kompleksitet
- Forhandling
- Tillitsbygging
- Autoritetsforankring
- Politisk navigering
- Ansvarsbærende roller
Mye arbeid er vanskelig fordi det involverer krevende relasjoner, normer og institusjoner. Utfordringen er ikke primært kognitiv, men sosial og normativ. Her møtes kanskje den faglige rasjonale og administrativ tilnærming til stadige holmganger?
Status: KI kan simulere kommunikasjon, men ikke fullt ut bære ansvar.
Tidslinje: Delvis automatisering av kommunikasjon; langsom endring i ansvar og legitimitet.
F. Risiko og ansvarlighet
Noe arbeid er vanskelig fordi feil har store konsekvenser. Vanskeligheten ligger i å være den aktøren som bærer konsekvensene.
- Juridisk ansvar
- Medisinsk risiko
- Organisatorisk ansvar
- Etisk skjønn
KI kan produsere kompetente forslag, men institusjoner krever fortsatt en menneskelig ansvarsbærer. Dette er et påtrengende område for revirkamp og kommer bl.a. til uttrykk i omdømme-stridigheter og kommunikasjonskontroll.
Status: Automatisering av output; ikke av ansvar.
Tidslinje: Institusjonell treghet dominerer over teknologisk kapasitet.
KI automatiserer langs dimensjoner – ikke yrker
Rammeverket flytter debatten. KI automatiserer ikke profesjoner i sin helhet. Den automatiserer bestemte vanskelighetsakser innen profesjoner.
Eksempler:
- Jus: utkast og rettskildesøk (A, B) → rask automatisering; prosedyre og ansvar (E, F) → langsommere.
- Programvareutvikling: kodegenerering (A) → rask; systemarkitektur og koordinering (C, E) → gradvis.
- Akademia: litteratursyntese (B) → rask; veiledning, autoritet og faglig ansvar (E, F) → institusjonell treghet.
Omstillingen blir derfor ujevn. Rutinemessig symbolbehandling forsvinner først. Høyrisiko- og relasjonsbasert arbeid består lenger.
| Akse | KI-maskinering | Forventet utvikling |
|---|---|---|
| Tekstlig bearbeiding | Høy | Nær metning |
| Storskala analyse & syntese | Høy og økende | Sterk innen tiåret |
| Flertrinns planlegging | Moderat | Betydelige fremskritt 2025–2030 |
| Fysisk forankring | Lav | Avhengig av maskinvare |
| Sosial kompleksitet | Delvis | Institusjonsavhengig |
| Ansvarlighet | Lav | Langsom institusjonell endring |
Rammeverket antyder at det som gjør arbeid økonomisk knapt, ofte ikke er ren intelligens. Knappheten kan snarere ligge i manglende …
- Kroppslig forankring
- Tillit
- Koordinering
- Ansvar
- Institusjonell posisjon
Dette rammeverket kan brukes å stille spørsmål som …
- Hvilken akse gjør mitt arbeid krevende?
- Er denne aksen primært fysisk, symbolsk, strukturell eller institusjonell?
- Utvikler KI seg raskt langs denne aksen?
Dette gjelder ikke minst det vitenskapelig utviklingsarbeidet som kombinerer erfarings-basert kunnskap fra de allsidige mulighetene som KI- løsningene nå tilbyr med forskningens innsikter. Det blir feil å satse kun på det siste.